Kardashev-0.7 發表：Banbury Road 用 32 個模型探索協作訓練
Banbury Road 團隊發表 Kardashev-0.7，以 32 個不同模型與 RLPS 探索協作能力。本文解釋專門化的訓練方向、官方成本主張與等待名單現況，說明多模型數量不等於已證實通用能力。
AI 能力一定要靠把單一模型越做越大嗎？Banbury Road 團隊在 X 發表 Kardashev-0.7，介紹由 32 個不同模型組成的系統，嘗試讓模型在共同訓練中形成互補能力。
這則公告迅速引起討論。它提出一條不同的擴充套件方向，但成本與表現目前主要來自團隊主張，仍需要更多可重跑資料才能評估實際優勢。
32 個模型的看點是如何形成分工
團隊以 RL for Population Scaling，簡稱 RLPS，描述其訓練方式。強化學習透過回饋調整行為，而這次希望模型群體形成不同專長，使它們能在工作中互相補足。
依 Banbury Road 官方網站，公司將模型數量視為另一種能力擴充套件軸線。這不只是把同一個模型開 32 個聊天視窗，而是主張在訓練層面建立差異與合作。
目前公開公告沒有足夠細節讓我們確認所有路由與選答規則。實際運作時，系統如何選擇成員、整合答案，以及處理成員意見衝突，會直接影響工作效率。
極低成本主張需要比較基準
原始貼文宣稱推論成本可為比較物件的 0.007 至 0.02 倍，記憶體需求為 0.03 倍。這些是團隊公佈的比例，不能直接理解成任何代理工作都能得到同樣節省。
一個完整比較至少要知道：對照哪個模型、執行什麼任務、用了哪些硬體，以及成本是否包含多模型協調與重試。沒有這些資訊，比例適合當研究線索，還不足以決定正式系統選型。
官網仍提供等待名單
截至 2026 年 10 月 6 日查核，官網寫著即將釋出首個模型群體，並提供優先存取的等待名單。這表示 X 的發表訊息與一般使用者可立即下載部署，仍是不同階段。
我認為這個方向值得追蹤，尤其是能把工作拆成研究、程式與驗證的情境。但驗收仍要看整體任務能否完成：成員數量增加，也可能增加協調延遲與錯誤傳遞。
Kardashev-0.7 常見問題
32 個模型代表每次都要啟動 32 個嗎？
公告介紹群體規模，但不足以確認每個任務的完整執行安排。應等待技術檔案說明如何選擇與協調成員。
已經證明所有工作都比大型模型便宜嗎？
沒有。現有比例是團隊的發表主張，仍需任務、對照條件與外部重跑結果才能擴大解讀。
結語：讓專長差異變成可量測的收益
多模型合作的成功標準，是群體能解決單個成員解不好的工作，且協調成本仍合理。Kardashev-0.7 提供新的研究方向，後續可用性與獨立評測才會決定它能走多遠。
